Classificadores interpretáveis usando regras e análise bayesiana: Construindo um modelo melhor de previsão de AVC

Nosso objetivo é produzir modelos preditivos que não só sejam precisos, mas também interpretáveis para especialistas humanos. Nossos modelos são listas de decisões, que consistem em uma série de declarações se…então… (por exemplo, se pressão alta, então AVC) que discretizam um espaço de características multivariadas de alta dimensão em uma série de declarações de decisão simples e prontamente interpretáveis. Introduzimos um modelo generativo chamado Listas de Regras Bayesianas que gera uma distribuição posterior sobre possíveis listas de decisões. Ele emprega uma nova estrutura prévia para incentivar a esparsidade. Nossos experimentos mostram que as Listas de Regras Bayesianas têm precisão preditiva equiparada aos algoritmos de ponta atuais para previsão em aprendizado de máquina. Nosso método é motivado por desenvolvimentos recentes em medicina personalizada e pode ser usado para produzir sistemas de pontuação médica altamente precisos e interpretáveis. Demonstramos isso produzindo uma alternativa ao escore CHADS₂, amplamente utilizado na prática clínica para estimar o risco de AVC em pacientes com fibrilação atrial. Nosso modelo é tão interpretável quanto o CHADS₂, mas mais preciso.